University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Berbache,Abir |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Modélisation de la diffusion sur les réseaux sociaux Type de document : texte imprimé Auteurs : Berbache,Abir, Auteur ; HARBOUCHE, K, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (59 f .) Format : 29cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux sociaux Index. décimale : 004 Informatique Résumé : Résumé
Les médias sociaux sont une source d'information lors de déférents événements, telle que les tremblements de terre. Les données produites à travers ces évènements sont accessibles par tous les utilisateurs de media sociaux. Cependant, avec l'augmentation exponentielle du volume des données sur les médias sociaux, s'ajoute l'augmentation des données non pertinentes, réduisant ainsi la capacité des personnes à trouver l'information dont elles ont besoin.
Ce travail de fin d’étude concerne l'analyse de données non structurées et bruitées, identifier les évènements des tweets dans les flux de médias sociaux, afin d'automatiser un système de classification lors d'événement de tremblement de terre.
Notre démarche concerne le filtrage et le prétraitement de ces données bruitées et courtes. La deuxième étape a trait à la reconnaissance des entités apparaissent dans les messages (ex: hashtags, auteurs) dans les tweets. Ainsi, l'adaptation des outils existants pour les langues naturelles, au langage bruité et non précis des tweets, est nécessaire. Et notre contribution implique l'utilisation d’apprentissage supervisé (SVM, CNN) reposant sur l'analyse de contenu des messages ce qui a aidé à l’amélioration des performances de notre système de classification.
Notre travail concerne les données de l'évènement de tremblement de terre. Nous avons évalué et comparé la méthode d’apprentissage traditionnel SVM avec les CNN, Les résultats expérimentaux montrent que l'approche proposée de l’apprentissage en profondeur CNN (accuracy = 88.63) réalise des améliorations substantielles par rapport aux méthodes de machine Learning traditionnel SVM (accuracy = 83.59).
Côte titre : MAI/0217 En ligne : https://drive.google.com/file/d/11F5jw79WMXQs127pNp-fPB2anRjXcrlD/view?usp=shari [...] Format de la ressource électronique : Modélisation de la diffusion sur les réseaux sociaux [texte imprimé] / Berbache,Abir, Auteur ; HARBOUCHE, K, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (59 f .) ; 29cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux sociaux Index. décimale : 004 Informatique Résumé : Résumé
Les médias sociaux sont une source d'information lors de déférents événements, telle que les tremblements de terre. Les données produites à travers ces évènements sont accessibles par tous les utilisateurs de media sociaux. Cependant, avec l'augmentation exponentielle du volume des données sur les médias sociaux, s'ajoute l'augmentation des données non pertinentes, réduisant ainsi la capacité des personnes à trouver l'information dont elles ont besoin.
Ce travail de fin d’étude concerne l'analyse de données non structurées et bruitées, identifier les évènements des tweets dans les flux de médias sociaux, afin d'automatiser un système de classification lors d'événement de tremblement de terre.
Notre démarche concerne le filtrage et le prétraitement de ces données bruitées et courtes. La deuxième étape a trait à la reconnaissance des entités apparaissent dans les messages (ex: hashtags, auteurs) dans les tweets. Ainsi, l'adaptation des outils existants pour les langues naturelles, au langage bruité et non précis des tweets, est nécessaire. Et notre contribution implique l'utilisation d’apprentissage supervisé (SVM, CNN) reposant sur l'analyse de contenu des messages ce qui a aidé à l’amélioration des performances de notre système de classification.
Notre travail concerne les données de l'évènement de tremblement de terre. Nous avons évalué et comparé la méthode d’apprentissage traditionnel SVM avec les CNN, Les résultats expérimentaux montrent que l'approche proposée de l’apprentissage en profondeur CNN (accuracy = 88.63) réalise des améliorations substantielles par rapport aux méthodes de machine Learning traditionnel SVM (accuracy = 83.59).
Côte titre : MAI/0217 En ligne : https://drive.google.com/file/d/11F5jw79WMXQs127pNp-fPB2anRjXcrlD/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0217 MAI/0217 Mémoire Bibliothéque des sciences Français Disponible
Disponible